基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的微小零件缺陷分類(lèi)

陶 沙 司 偉 王 奎

（1.銅陵學(xué)院，安徽 銅陵 240061；2.中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司，北京 100032）

隨著我國(guó)工業(yè)的發(fā)展，尤其是納米和集成技術(shù)的不斷進(jìn)步，對(duì)其檢測(cè)的精度和速度要求越來(lái)越高，受到人主觀性影響，檢測(cè)結(jié)果往往存在一定偏差，傳統(tǒng)的利用顯微鏡測(cè)量顯然已經(jīng)達(dá)不到要求。隨著計(jì)算機(jī)的發(fā)展，利用計(jì)算機(jī)視覺(jué)去測(cè)量微小零件可以獲得較高的精確度，但是這種方法有一定的局限性，是由于缺陷特征的選取需要人為的進(jìn)行，必然會(huì)造成測(cè)試的準(zhǔn)確率有所偏差，卷積網(wǎng)絡(luò)的誕生解決了測(cè)量精度低的問(wèn)題，為零件檢測(cè)提供了新的方法。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)[1-2]的一種，最近發(fā)展比較迅速并廣泛應(yīng)用于各個(gè)行業(yè)當(dāng)中。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks-簡(jiǎn) 稱(chēng)CNN)，卷積神經(jīng)網(wǎng)絡(luò)相對(duì)別的神經(jīng)網(wǎng)絡(luò)有自己的優(yōu)勢(shì)，尤其在圖像分類(lèi)上，檢測(cè)的準(zhǔn)確率相對(duì)較高。比如在ILSVRC2012比賽事中，Alex Krizhevsky等提出的Alex Net就是以卷積神經(jīng)網(wǎng)絡(luò)作為模型對(duì)任務(wù)進(jìn)行分類(lèi)，準(zhǔn)確率比第二名高10%，隨后又提出VGGNet-Goog Le Net等新的網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提高了準(zhǔn)確率。

針對(duì)以上問(wèn)題,本文提出了一種基于遺傳算法(GA)優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)混合模型 (GA-CNN)算法。遺傳卷積神經(jīng)網(wǎng)絡(luò)的高精度零件缺陷分類(lèi)結(jié)構(gòu)如圖1所示，利用CCD視覺(jué)采集圖像并對(duì)圖像進(jìn)行預(yù)處理以及樣本標(biāo)注，對(duì)采集到的表面缺陷數(shù)據(jù)通過(guò)遺傳卷積算法簡(jiǎn)稱(chēng)(GA-CNN)進(jìn)行試驗(yàn)性訓(xùn)練，其中預(yù)處理是利用局部區(qū)域假設(shè)的亞像素邊緣算法去提高采集零件圖像邊緣的清晰度。樣本標(biāo)注針對(duì)零件的劃痕、殘缺、端口進(jìn)行分類(lèi)，對(duì)處理后的零件進(jìn)行標(biāo)記以便于遺傳卷積神經(jīng)網(wǎng)絡(luò)的缺陷分類(lèi)。遺傳算法解決了訓(xùn)練容易陷入局部最小值、收斂速度慢等問(wèn)題?；谶z傳卷積神經(jīng)網(wǎng)絡(luò)明顯提高了測(cè)量精度,解決了單一的網(wǎng)絡(luò)模型預(yù)測(cè)精度不高的缺點(diǎn)。

圖1 零件缺陷分類(lèi)系統(tǒng)框圖

一、數(shù)據(jù)預(yù)處理

本研究采用的是局部區(qū)域假設(shè)檢測(cè)算法對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，這種處理數(shù)據(jù)得到的圖像精度高，有利于神經(jīng)網(wǎng)絡(luò)對(duì)零件缺陷的分類(lèi)。

（一）圖像采集

如圖2所示，圖像采集是利用CCD相機(jī)視覺(jué)抓取技術(shù)抓拍待測(cè)工件，由于相機(jī)的亮度有限以及捕獲圖像不夠完整，所以圖像要進(jìn)行預(yù)處理，相機(jī)是采集圖像的重要設(shè)備，選擇合適的相機(jī)可以在一定程度上提升采集到圖像的質(zhì)量。采集的相機(jī)參數(shù)如表1所示。

表1 相機(jī)參數(shù)

圖2 測(cè)試環(huán)境

（二）圖像預(yù)處理

在本文中檢測(cè)的零件邊緣清晰度對(duì)于后面GACNN算法缺陷分類(lèi)是很重要，需要進(jìn)行邊緣檢測(cè)[3-4]，主要原理如下：圖像的邊緣形狀可以由近似曲線表示，近似曲線可以用方向，曲率，距離等參數(shù)表示。假設(shè)曲線邊緣y=a+bx+cx2由來(lái)表示，以3×5的區(qū)域進(jìn)行研究，如圖3所示，L，M，R分別表示直線下方每列面積，計(jì)算公式如式1，2，3所示：

圖3 曲線邊緣3×5的區(qū)域圖

SL，SM，SR表達(dá)式與直線相同，從而可以得出系數(shù)a，b，c的表達(dá)式，如式4，5，6所示。

由上述3個(gè)公式得到的三個(gè)特征參數(shù)，可以算出邊緣曲率表達(dá)式為：

圖像邊緣檢測(cè)作為圖像處理中最基本的操作，但卻具有十分關(guān)鍵的作用，邊緣能顯示圖像的大致輪廓，具有很多有用信息，后續(xù)的圖像特征提取，識(shí)別定位，測(cè)量擬合都是基于圖像邊緣進(jìn)行，因此準(zhǔn)確的提取圖像的邊緣在零件檢測(cè)中至關(guān)重要。圖像中灰度值變化較大的邊界即為圖像的邊緣。

二、算法模型

本文采用遺傳算法(GA)優(yōu)化后CNN算法模型，卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)的空間特征，網(wǎng)絡(luò)的權(quán)重系數(shù)和偏置值由GA更新計(jì)算，替換了傳統(tǒng)的梯度下降法的訓(xùn)練方法，使得整個(gè)訓(xùn)練學(xué)習(xí)的過(guò)程得到了優(yōu)化，可以有效提升該系統(tǒng)對(duì)于圖像識(shí)別的效率，從而減少圖像識(shí)別誤差，下面介紹卷積神經(jīng)網(wǎng)絡(luò)和遺傳算法。

（一）卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)[5-8]（CNN）是一種前饋網(wǎng)絡(luò)，該網(wǎng)絡(luò)模型通過(guò)采用梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過(guò)頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度，網(wǎng)絡(luò)結(jié)構(gòu)主要分為輸入層，隱含層和輸出層。其中隱含層包括卷積層（C）、下采樣層（S）和全連接層，如圖4所示，輸入層用來(lái)提取特征，可以處理多維數(shù)據(jù)。卷積層對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，其內(nèi)部包含多個(gè)卷積核構(gòu)，卷積層參數(shù)包括卷積核大小、步長(zhǎng)和填充，三者共同決定了卷積層輸出特征圖的尺寸。下采樣層是對(duì)特征選擇和信息過(guò)濾，全連接層主要作用就是對(duì)網(wǎng)絡(luò)進(jìn)行分類(lèi)，輸出層直接輸出每個(gè)像素的分類(lèi)結(jié)果。

圖4 卷積神經(jīng)網(wǎng)絡(luò)

（二）遺傳算法

遺傳算法[9]具體是針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的卷積層和全連接層的初始權(quán)重，由遺傳算法生成多組權(quán)重，經(jīng)過(guò)選擇、交叉和變異操作得到的最優(yōu)權(quán)重，用這些權(quán)重作為初始權(quán)重，其效果要優(yōu)于最陡下降算法隨機(jī)選擇的初始權(quán)重。同時(shí)，由遺傳算法生成的多組權(quán)重可以構(gòu)建多個(gè)卷積神經(jīng)網(wǎng)尺絡(luò)分類(lèi)器，將這些分類(lèi)器聯(lián)合在一起進(jìn)行分類(lèi)，可以進(jìn)一步降低分類(lèi)錯(cuò)誤率。

如圖5所示對(duì)于初始化群中適應(yīng)度計(jì)算，進(jìn)行選擇、交叉和變異。假設(shè)神經(jīng)網(wǎng)絡(luò)卷積層數(shù)為k，第i個(gè)卷積層掩膜數(shù)量為2i-1,那么總的掩膜數(shù)量為,卷積層總的權(quán)重?cái)?shù)量為生成的GA算法染色體位數(shù)如式11所示，

圖5 遺傳算法流程圖

GA算法位數(shù)的前位用于編碼卷積掩膜，位用于初始化全連接層，遺傳算法與卷積神經(jīng)網(wǎng)絡(luò)的混合方式，根據(jù)上述原理計(jì)算染色體編碼以及染色體的適應(yīng)度值。

三、實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)對(duì)本文提出的GA-CNN算法模型進(jìn)行測(cè)試,同時(shí)與未優(yōu)化的CNN神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行比較。本文主要對(duì)零件的劃痕、殘缺、斷口和無(wú)缺陷四種情況進(jìn)行分類(lèi)，分類(lèi)之前要對(duì)缺陷進(jìn)行標(biāo)記，標(biāo)記包括缺席的名稱(chēng)、尺寸和位置坐標(biāo)，主要用于神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)學(xué)習(xí)。選用Caffe[10]作為實(shí)驗(yàn)用深度學(xué)習(xí)架構(gòu)去實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)。通過(guò)前面的理論學(xué)習(xí)，把卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為卷積層5個(gè)，3×3卷積核；下采樣層4個(gè)，2×2大池化；全連接層2個(gè)，共11層網(wǎng)絡(luò)。對(duì)500個(gè)零件圖像進(jìn)行按照訓(xùn)練、驗(yàn)證、測(cè)試集的占比大致60∶20∶20的比例進(jìn)行劃分，分別利用卷積神經(jīng)網(wǎng)絡(luò)和遺傳卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷分類(lèi)，兩種網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率如圖6所示。

圖6 缺陷分類(lèi)網(wǎng)絡(luò)準(zhǔn)確率

單一卷積神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)在測(cè)試集上缺陷的分類(lèi)準(zhǔn)確率如表2，3所示。

表2 單一卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測(cè)試分類(lèi)準(zhǔn)確率

表3 遺傳神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測(cè)試分類(lèi)準(zhǔn)確率

通過(guò)上述實(shí)驗(yàn)可以說(shuō)明，遺傳神經(jīng)網(wǎng)絡(luò)模型比單一神經(jīng)網(wǎng)絡(luò)模型要比測(cè)試的分類(lèi)準(zhǔn)確率要高。

四、結(jié)論

本文利用利用基于局部區(qū)域假設(shè)檢測(cè)算法獲取圖像，獲取的圖像進(jìn)行卷積算法進(jìn)行分類(lèi)，在此基礎(chǔ)上加入混合型遺傳算法，用改進(jìn)后的算法對(duì)工件的區(qū)域進(jìn)行測(cè)量，通過(guò)數(shù)據(jù)處理和算法模型實(shí)驗(yàn)分析表明:利用基于局部區(qū)域假設(shè)檢測(cè)算法，提高了圖形獲取的精度，誤差小，遺傳卷積神經(jīng)網(wǎng)絡(luò)模型,改進(jìn)了傳統(tǒng)梯度下降法的訓(xùn)練缺點(diǎn)，比未經(jīng)優(yōu)化的單一神經(jīng)網(wǎng)絡(luò)算法模型表現(xiàn)出更高的預(yù)測(cè)精度。綜合上面所述,遺傳卷積神經(jīng)網(wǎng)絡(luò)在現(xiàn)代制造業(yè)零件檢測(cè)中具有一定的應(yīng)用價(jià)值。